¿Qué significa el término aumento de datos en el contexto del aprendizaje automático?

El problema que enfrentan la mayoría de los profesionales de Machine Learning (ML) es que a menudo hay muy pocos datos de alta calidad. Esto es especialmente cierto si desea reservar algo para capacitación, pruebas y validación.

Si te encuentras en la desafortunada posición de un conjunto de entrenamiento muy desequilibrado, las cosas pueden incluso empeorar. Por ejemplo, si está tratando de detectar una enfermedad rara (0.1%), la técnica de ML que elija podría terminar “pensando”, ¡el mejor enfoque es predecir que todos están saludables con una precisión del 99.9%!

Desafortunadamente, la adquisición de más datos es casi siempre lento y costoso. Esto lleva a metodologías para superar esto, que se incluye en la rúbrica “Aumento de datos”. Se podría pensar que esto es “trampa”. Bueno, si no funciona, entonces es una trampa fallida, pero si funciona, ¡entonces es una técnica!

Ver:

Lo que necesita saber sobre el aumento de datos para el aprendizaje automático

El aumento de datos se usa a veces para hacer que su modelo sea más robusto y se ajuste demasiado. En tu caso, imágenes, básicamente tomas tu conjunto de entrenamiento y lo transformas (rotación, volteo, variación de color, ruido, …). Es una manera simple de construir un conjunto de datos más grande ya que ahora tiene las etiquetas de sus nuevas imágenes transformadas.

Y como dijo Clem, el sobremuestreo se puede usar como una estrategia de aumento de datos, en este caso tiene un conjunto de datos desequilibrado y necesita agregar ejemplos de una clase para equilibrar sus datos.

Puedes leer esto Cómo usar el aprendizaje profundo cuando tienes datos limitados – Parte 2 | Aumento de datos

Esto lo cubre para imágenes bastante bien, supongo